دانلود کتاب Speeding-Up Radio-Frequency Integrated Circuit Sizing with Neural Networks – افزایش سرعت اندازه مدار مجتمع فرکانس رادیویی با شبکه های عصبی

توضیحات

In this book, innovative research using artificial neural networks (ANNs) is conducted to automate the sizing task of RF IC design, which is used in two different steps of the automatic design process. The advances in telecommunications, such as the 5th generation broadband or 5G for short, open doors to advances in areas such as health care, education, resource management, transportation, agriculture and many other areas. Consequently, there is high pressure in todays market for significant communication rates, extensive bandwidths and ultralow-power consumption. This is where radiofrequency (RF) integrated circuits (ICs) come in hand, playing a crucial role. This demand stresses out the problem which resides in the remarkable difficulty of RF IC design in deep nanometric integration technologies due to their high complexity and stringent performances. Given the economic pressure for high quality yet cheap electronics and challenging time-to-market constraints, there is an urgent need for electronic design automation (EDA) tools to increase the RF designers productivity and improve the quality of resulting ICs. In the last years, the automatic sizing of RF IC blocks in deep nanometer technologies has moved toward process, voltage and temperature (PVT)-inclusive optimizations to ensure their robustness. Each sizing solution is exhaustively simulated in a set of PVT corners, thus pushing modern workstations capabilities to their limits.

Standard ANNs applications usually exploit the models capability of describing a complex, harder to describe, relation between input and target data. For that purpose, ANNs are a mechanism to bypass the process of describing the complex underlying relations between data by feeding it a significant number of previously acquired input/output data pairs that the model attempts to copy. Here, and firstly, the ANNs disrupt from the most recent trials of replacing the simulator in the simulation-based sizing with a machine/deep learning model, by proposing two different ANNs, the first classifies the convergence of the circuit for nominal and PVT corners, and the second predicts the oscillating frequencies for each case. The convergence classifier (CCANN) and frequency guess predictor (FGPANN) are seamlessly integrated into the simulation-based sizing loop, accelerating the overall optimization process. Secondly, a PVT regressor that inputs the circuits sizing and the nominal performances to estimate the PVT corner performances via multiple parallel artificial neural networks is proposed. Two control phases prevent the optimization process from being misled by inaccurate performance estimates. As such, this book details the optimal description of the input/output data relation that should be fulfilled. The developed description is mainly reflected in two of the systems characteristics, the shape of the input data and its incorporation in the sizing optimization loop. An optimal description of these components should be such that the model should produce output data that fulfills the desired relation for the given training data once fully trained. Additionally, the model should be capable of efficiently generalizing the acquired knowledge in newer examples, i.e., never-seen input circuit topologies.

————————————————————–

ترجمه ماشینی :

در این کتاب، تحقیقات ابتکاری با استفاده از شبکه‌های عصبی مصنوعی (ANN) برای خودکارسازی کار اندازه‌گیری طراحی RF IC انجام شده است که در دو مرحله مختلف از فرآیند طراحی خودکار استفاده می‌شود. پیشرفت‌های ارتباطات از راه دور، مانند نسل پنجم پهنای باند یا به طور خلاصه 5G، درها را به روی پیشرفت‌ها در زمینه‌هایی مانند مراقبت‌های بهداشتی، آموزش، مدیریت منابع، حمل‌ونقل، کشاورزی و بسیاری از حوزه‌های دیگر باز می‌کند. در نتیجه، در بازار امروز فشار زیادی برای نرخ های ارتباطی قابل توجه، پهنای باند گسترده و مصرف انرژی بسیار کم وجود دارد. در اینجاست که مدارهای مجتمع فرکانس رادیویی (RF) (ICs) نقش مهمی ایفا می کنند. این تقاضا بر مشکلی که در دشواری قابل توجه طراحی RF IC در فناوری‌های یکپارچه‌سازی عمیق نانومتریک به دلیل پیچیدگی بالا و عملکرد دقیق آنها نهفته است، تأکید می‌کند. با توجه به فشار اقتصادی برای لوازم الکترونیکی با کیفیت بالا و در عین حال ارزان و محدودیت‌های چالش برانگیز زمان عرضه به بازار، نیاز فوری به ابزارهای اتوماسیون طراحی الکترونیکی (EDA) برای افزایش بهره‌وری طراحان RF و بهبود کیفیت آی‌سی‌های حاصل وجود دارد. در سال‌های گذشته، اندازه‌گیری خودکار بلوک‌های RF IC در فناوری‌های نانومتری عمیق به سمت بهینه‌سازی‌های فرآیند، ولتاژ و دما (PVT) حرکت کرده است تا از استحکام آنها اطمینان حاصل شود. هر راه حل اندازه گیری به طور کامل در مجموعه ای از گوشه های PVT شبیه سازی شده است، بنابراین قابلیت های ایستگاه های کاری مدرن را به حد خود رسانده است.

برنامه های ANN استاندارد معمولاً از قابلیت مدل ها برای توصیف پیچیده تر و سخت تر استفاده می کنند. برای توصیف، رابطه بین داده های ورودی و هدف. برای این منظور، شبکه‌های عصبی مصنوعی مکانیزمی برای دور زدن فرآیند توصیف روابط زیربنایی پیچیده بین داده‌ها با تغذیه تعداد قابل‌توجهی از جفت داده‌های ورودی/خروجی که قبلاً به دست آمده‌اند و مدل تلاش می‌کند کپی کند، هستند. در اینجا، و اولا، شبکه‌های عصبی مصنوعی از آخرین آزمایش‌های جایگزینی شبیه‌ساز در اندازه‌گیری مبتنی بر شبیه‌سازی با یک مدل یادگیری ماشین/عمیق، با پیشنهاد دو شبکه عصبی مصنوعی مختلف، هم‌گرایی مدار را برای گوشه‌های اسمی و PVT طبقه‌بندی می‌کنند. و دومی فرکانس های نوسانی را برای هر مورد پیش بینی می کند. طبقه‌بندی‌کننده همگرایی (CCANN) و پیش‌بینی‌کننده حدس فرکانس (FGPANN) به طور یکپارچه در حلقه اندازه‌گیری مبتنی بر شبیه‌سازی ادغام شده‌اند و روند بهینه‌سازی کلی را تسریع می‌کنند. در مرحله دوم، یک رگرسیور PVT که اندازه مدارها و عملکردهای اسمی را برای تخمین عملکرد گوشه PVT از طریق چندین شبکه عصبی مصنوعی موازی وارد می‌کند، پیشنهاد شده است. دو مرحله کنترل از گمراه شدن فرآیند بهینه سازی توسط برآوردهای عملکرد نادرست جلوگیری می کند. به این ترتیب، این کتاب شرح بهینه رابطه داده های ورودی/خروجی را که باید انجام شود، شرح می دهد. توصیف توسعه‌یافته عمدتاً در دو ویژگی سیستم، شکل داده‌های ور

tag : دانلود کتاب افزایش سرعت اندازه مدار مجتمع فرکانس رادیویی با شبکه های عصبی , Download افزایش سرعت اندازه مدار مجتمع فرکانس رادیویی با شبکه های عصبی , دانلود افزایش سرعت اندازه مدار مجتمع فرکانس رادیویی با شبکه های عصبی , Download Speeding-Up Radio-Frequency Integrated Circuit Sizing with Neural Networks Book , افزایش سرعت اندازه مدار مجتمع فرکانس رادیویی با شبکه های عصبی دانلود , buy افزایش سرعت اندازه مدار مجتمع فرکانس رادیویی با شبکه های عصبی , خرید کتاب افزایش سرعت اندازه مدار مجتمع فرکانس رادیویی با شبکه های عصبی , دانلود کتاب Speeding-Up Radio-Frequency Integrated Circuit Sizing with Neural Networks , کتاب Speeding-Up Radio-Frequency Integrated Circuit Sizing with Neural Networks , دانلود Speeding-Up Radio-Frequency Integrated Circuit Sizing with Neural Networks , خرید Speeding-Up Radio-Frequency Integrated Circuit Sizing with Neural Networks , خرید کتاب Speeding-Up Radio-Frequency Integrated Circuit Sizing with Neural Networks ,